supermemory 调研：架构、部署与多 Harness 对接

github.com/supermemoryai/supermemory · 31.2K stars（检索时点，GitHub API）· MIT（仓库部分）· TypeScript · 2024-02 创建，push 到检索当天仍活跃。定位”State-of-the-art memory and context engine for AI”，自称 LongMemEval / LoCoMo / ConvoMem 三大记忆 benchmark 均 #1。调研时间：2026-10-16。背景与同类方案对比见 Agent 记忆方案（本篇原为其第七节，拆出独立成篇）。材料：README（main 全文）、supermemory.ai/docs 的 llms.txt 索引 + how-it-works / graph-memory / agents-and-mcp / self-hosting 全套 / supermemory-mcp / integrations（claude-code、codex、opencode、cursor）/ smfs 页、apps/mcp 源码结构与 wrangler.jsonc、claude-supermemory 插件 README、research 页。

1. 它是什么：一句话架构

不是”文件记忆”，是托管的记忆/上下文引擎（Memory API）：你把原始内容（对话、文档、URL）add 进去，它用一个自研学习模型 + 时序向量图引擎在后台抽取事实、建图、维护用户画像，然后你用 search / profile 把”该进上下文的那点东西”取回来。

你的 app / AI 工具
      ↓  add() / search() / profile()   （REST: /ns/{namespace}/document|search|profile）
┌─────────────── supermemory ───────────────┐
│ Memory Engine   抽事实、追踪更新、解矛盾、自动遗忘      │
│ User Profiles   static（长期事实）+ dynamic（近期上下文），~50ms 一次调用 │
│ Hybrid Search   一条查询同时跑 RAG（文档 chunks）+ Memory（图事实） │
│ Connectors      Drive / Gmail / Notion / OneDrive / GitHub / Web Crawler（实时 webhook） │
│ File Processing PDF / 图片 OCR / 视频转录 / 代码 AST-aware chunking │
└────────────────────────────────────────────┘

两个核心内部件（✅ how-it-works）：

Learning model（自研）——决定学什么、什么重要、何时忘、如何建关系。
Temporal vector-graph engine——事实基时序图，内建三种检索：Vector（embedding 语义近邻，抓改写）、FTS（Full-Text Search，倒排索引 + BM25 类词法打分，抓精确 token：报错串/标识符/人名）、Graph（沿 updates/extends/derives 关系边多跳遍历，召回与 query 无词面/语义重合的关联事实；API 层用 include: { related: true } 取边）。业界 hybrid search 通常只指 Vector+FTS，它把图也内建进同一存储。

Ingest 流水线：queued → extracting（文本/OCR/转录/抓页）→ chunking → embedding → indexing → done；done 只代表文档可搜，记忆进图靠第二阶段的 “dreaming”（把内容过一遍记忆模型，合并/组织/链接）。dreaming 两模式：dynamic（默认，相关文档成组抽，质量高，可能在 done 之后继续跑）/ instant（立即单文档入图，多计一次 operation，适合 demo 和”add 完马上 search”）。

图模型（✅ graph-memory，与 Agent 记忆方案第二节 Zep/Graphiti 同族但更自动）：

记忆原子化，三类边：updates（新事实替换旧的用于检索，旧史保留审计，isLatest 标记）、extends（补充细节不作废）、derives（从多条记忆推断出没明说过的事实）。
记忆类型：Facts（持续到被更新）/ Preferences（重复即强化）/ Episodes（不显著就衰减）。
自动遗忘：时间过期（“明天考试”）、矛盾（updates 获胜）、噪声过滤。
你不手工维护图——只管 add，schema 和边都由模型长出来。

隔离三层：namespace（硬隔离，URL 里带）/ metadata（namespace 内软过滤）/ scoped API keys（不能跨 namespace 的凭证）。插件层叫 container tag / space，同一个东西。

2. ⚠️ 开源边界（选型前必须知道）

部分	开源？
仓库 `supermemoryai/supermemory`：SDK、文档站、MCP server（`apps/mcp`）、各 harness 插件、memory-graph 可视化组件、MemoryBench	✅ MIT
自托管 server 二进制（`supermemory-server`）	❌ 闭源——“built from a separate, non-public codebase”（✅ self-hosting/overview 原文）。装它 = 下载官方预编译二进制
云端生产用的记忆抽取模型	❌ 专有（“proprietary long-horizon models”）

含义：本地部署能免费用全 API，但核心引擎是黑盒二进制 + “lite license limit”（免费额度，条款未在文档中量化）；要 connectors、托管 MCP、最好的抽取质量，就得上云/Enterprise。和 Agent 记忆方案第六节那批”一切纯文本可 git diff”的方案是相反的哲学——supermemory 的记忆在加密快照里（~/.supermemory/data，每 10s 全量 dump），不在你能 review 的 markdown 里。

3. 部署：三种形态

A. 本地单二进制（Supermemory local）

curl -fsSL https://supermemory.ai/install | bash   # 或 npx supermemory local
supermemory-server

首次启动：内嵌图引擎 + 本地 embeddings（Xenova/bge-base-en-v1.5，768d，无需 API key）+ 自动生成 API key，全落在 ~/.supermemory/；监听 http://localhost:6767（v0.0.9 起 bind 127.0.0.1，localhost 请求也要 key；v0.0.8 及以前 bind 所有网卡且隐式本地认证，文档明令不要暴露）。
LLM 自带：OpenAI / Anthropic / Gemini / Groq / Vertex / Workers AI，或任何 OpenAI-compatible 端点。全离线：OPENAI_BASE_URL=http://localhost:11434/v1 + Ollama（官方推荐 gpt-oss:20b）+ SUPERMEMORY_DISABLE_TELEMETRY=1；例外：URL 摄取走 Firecrawl 需 key，PDF 抽取需 GEMINI_API_KEY。
资源治理：searches 永不排队；adds 进队列后台处理，ingest 内存增量默认封顶 1GB（SUPERMEMORY_EMBEDDING_RAM_LIMIT），超了新文档等待、不丢。
升级 supermemory-server upgrade；回滚先备份数据目录（旧版二进制读不懂新 schema）。

B. Docker（预编译镜像，Linux amd64/arm64）

curl -fL https://github.com/supermemoryai/supermemory/releases/download/server-v0.0.9/compose.yaml -o compose.yaml
# .env: OPENAI_API_KEY=... + SUPERMEMORY_VERSION=0.0.9
docker compose up -d --wait --wait-timeout 180

镜像 docker.io/supermemory/supermemory；6767 只绑 127.0.0.1；数据卷 supermemory_supermemory-data 挂 /data（store + api-key + 加密身份 + 模型缓存全在里面）；key 从 docker compose exec supermemory cat /data/api-key 读。
升级流程 = stop → cp /data 全量备份 → 换镜像 → up；严禁 docker compose down -v。原生 Windows 停在 0.0.8，Windows 走 Docker。

C. 云端平台（console.supermemory.ai）

同一套 API，换 baseUrl + 平台 key 即可（本地数据不会自动迁移过去）。加：专有抽取模型、Connectors、托管 MCP、org/角色/scoped keys、用量看板。v3/v4 API 将于 2026-12-31 关停，新接入直接 v5。
云端 MCP server（apps/mcp，开源）是个 Cloudflare Worker：MCP SDK v2、每请求新建 McpServer（无协议 session）、OAuth 每请求校验、active space 存 Durable Object（按 organizationId+userId 键）。想自己仿一个托管 MCP，这就是参考实现。

自托管 vs 平台能力对照（✅ self-hosting/overview）

	自托管	平台
完整 Memory API / 混合搜索	✅	✅
Embeddings	本地默认（或 OpenAI/Gemini/Ollama）	托管
文件摄取	✅（PDF 需 `GEMINI_API_KEY`，图片走 Gemini/Vertex）	✅
Connectors（Drive/Notion/Gmail/OneDrive）	—	✅
托管 MCP（mcp.supermemory.ai）	—	✅
记忆抽取模型	你带的模型	专有 long-horizon 模型（质量更高、规模化更便宜）
团队/治理	单机单 key	org、角色、scoped keys、看板、SLA

4. 与各 Harness 对接（重点：怎么写进 coding 工作流）

路线 1：官方插件（推荐，覆盖”一个工作区切多客户端”场景）

每家一个开源插件仓库，机制都是 hook 注入 + 自动捕获，且 Claude Code / Codex / OpenCode 对同一 git repo 生成同一个 container tag（repo_<project-name>__<remote-hash>，remote 归一化后哈希 → clone 共享记忆、同名仓库不撞车；无 remote 回退本地路径身份）——这就是跨 harness 共享项目记忆的键：

Harness	安装	机制要点
Claude Code（claude-supermemory）	`/plugin marketplace add supermemoryai/claude-supermemory` → `/plugin install supermemory`；key 走 `SUPERMEMORY_CC_API_KEY` 或浏览器登录	4 个 hook：`SessionStart`（装 profile + 6h 未归的 welcome-back）→ `UserPromptSubmit`（hook 直接搜索并注入，不等模型决定调工具；`recallDirective` 可切成”建议模型自己搜”模式）→ `PreToolUse`（只读 MCP 工具自动放行，写仍要权限）→ `Stop`（后台存对话增量）。`context-gatherer` 子代理跨多 container 扇出搜索。`/supermemory:index` 把架构/约定/运行方式索引进项目 container。项目级配置 `.claude/.supermemory-claude/config.json`（`baseUrl` 指本地即接自托管）
Codex CLI（codex-supermemory）	`npx codex-supermemory@latest install`（写 `~/.codex/supermemory/`、开 `codex_hooks`、注册 hook + skills）	两层：implicit hooks（`UserPromptSubmit` recall + 每 N 轮增量 capture，默认 3，让同 session 后半段能吃到前半段记忆；`Stop` flush）+ explicit skills。scope：user tag = `git config user.email` 哈希，project tag = git common dir 哈希（worktree 默认共享）。`<private>…</private>` 包裹的内容入库前打码。自托管：`SUPERMEMORY_API_URL=http://localhost:6767` 或 `~/.codex/supermemory.json` 的 `baseUrl`
OpenCode（opencode-supermemory）	`bunx opencode-supermemory@latest install`；`opencode.jsonc` 加 `"plugin": ["opencode-supermemory"]`	session start 注入 profile+项目知识+语义匹配；“remember/save this” 关键词触发存储；80% 上下文容量时自动摘要会话存为记忆（smart compaction——记忆层与压缩层的合流点，参见 Agent 记忆方案第三节）；`<private>` 同样生效。自托管配置在 `~/.config/opencode/supermemory.jsonc`
Cursor（cursor-supermemory）	Cursor 内 `/add-plugin cursor-supermemory` 或 Marketplace；`/supermemory-setup` 浏览器登录	需要 PATH 上有 Node（Cursor 安装不带）
其他	Muse Code、OpenClaw、Hermes（NousResearch 官方 memory provider）	同模式

Claude Code 插件的全局/项目配置项（✅ 插件 README + integrations 文档）：

// ~/.supermemory-claude/settings.json（全局）
{ "maxProfileItems": 5, "signalExtraction": true,
  "signalKeywords": ["remember", "architecture", "decision", "bug", "fix"],
  "signalTurnsBefore": 3, "includeTools": ["Edit", "Write"] }
 
// .claude/.supermemory-claude/config.json（每仓库）
{ "apiKey": "sm_...", "baseUrl": "https://api.supermemory.ai",
  "repoContainerTag": "my-team-project", "signalExtraction": true }

路线 2：MCP（任何 MCP 客户端通用，含 Claude Desktop / Windsurf / VS Code）

云端：https://mcp.supermemory.ai/mcp，OAuth 浏览器授权，无 API key。工具面：search_memory / get_profile / add_memory / forget_memory / list_documents / get_document / list_memories / list_spaces / who_am_i + 4 个交互 widget（space 选择器 / guided-save 表单 / 文件上传 / 记忆图可视化，走 MCP Apps）。资源 supermemory://profile、prompt context。
注意：托管 MCP 是平台功能，自托管表里 MCP 一栏是 ”—“——本地部署只能走插件（baseUrl 指本地）或直连 REST/SDK。
另有 docs MCP（https://supermemory.ai/docs/mcp，开源在仓库）：这是给 coding agent 边写集成边查 supermemory 文档用的，和记忆本身无关，别混淆。

路线 3：SMFS —— 把记忆挂成文件系统（对 coding agent 最顺手的形态）

把 supermemory container 挂载成真实目录，agent 用 ls/cat/grep 读记忆，不用学任何 SDK。开源免费。四个 trick 解决”文件系统不适合当记忆”的问题：

语义 grep 默认：grep 一次调用即全 container 按语义排序召回；带任何 flag 则 fall through 到真 grep 做精确匹配。
memory path 蒸馏：标记为记忆路径的文件被抽取索引，不撑爆上下文。
虚拟 profile.md：挂载根下一个实时 digest，cat profile.md 一次拿到全 container 摘要。
双向后台同步：本地读走缓存，写推回 supermemory。
两种用法：mount（smfs 二进制，macOS NFSv3 / Linux FUSE，适配 Claude Code、Cursor、devcontainer、Docker、Codespaces）和 bash tool（@supermemory/bash / supermemory-bash，给 Cloudflare Workers、Lambda、Vercel、Modal 这类无真实文件系统的 runtime 一个虚拟 bash）。已有 Daytona / E2B / Vercel AI SDK / Cloudflare Workers 的 provider 指南。
官方数据（自述，✅ research 页）：xAFS 110 题上 SMFS 比默认文件方案省 3.0× token（Claude，24M vs 72M）/ 1.75×（Codex） 且准确率更高。

路线 4：SDK / REST（自己写 harness 或 mini_code 时）

import { Supermemory } from "supermemory";            // npm i supermemory / pip install supermemory
const client = new Supermemory({ apiKey: "sm_...", baseUrl: "http://localhost:6767" }); // 自托管只改 baseUrl
await client.add("user_123", { content, dreaming: "instant" });
const { profile, searchResults } = await client.profile({ containerTag: "user_123", q: "..." });
// search 三模式：hybrid（默认，RAG+Memory 一条查询）/ memories / documents

REST 就三个主端点：POST /ns/{namespace}/document|search|profile，Authorization: Bearer sm_...；namespace 只在 URL，body 里没有。框架封装：Vercel AI SDK / LangChain / LangGraph / OpenAI Agents SDK / Mastra / Agno / Claude Memory Tool / n8n（withSupermemory(model, {containerTag}) 一行包模型）。给 mini_code 抄的话，这一层就是”记忆即服务”的最小接口面：add / search / profile 三个动词。

路线 5：CLI / Skill（给 coding agent 做集成开发时用）

npx supermemory setup              # 检测项目，启动/打印集成流程
npx supermemory setup --prompt     # 只打印集成 prompt
npx supermemory help --json        # agent 可读的命令目录
npx supermemory add "User prefers TypeScript" --namespace user_123   # 冒烟测试
npx skills add https://github.com/supermemoryai/skills --skill supermemory  # 官方 skill，防 agent 幻觉 API

5. Benchmark 与评测基建（接 Agent Harness 评测的方法论）

自报成绩（✅ research 页，2026-05 报告）：LongMemEval-S 97% Recall@20（500 题 6 类，对比 Zep 71.2%、Full context 60.2%；分类最强项 KU 知识更新 100%、SSA 100%）；README 口径 95% Recall@15，仅注入 ~720 token（99.4% 上下文缩减）。Judge 是 gpt-4o + benchmark 自带 prompt。注意这是 vendor 自测，且”Recall@20 with aggregation”的口径比常见 Recall@5 宽松——按 Agent Harness 评测 §4 陷阱 6/11 的标准，采信前要看它开源的 MemoryBench 复现。
MemoryBench：它顺手开源的记忆 provider 横评框架，可把 supermemory / Mem0 / Zep 拉到同一 runner 下跑（bun run src/index.ts run -p supermemory -b longmemeval -j gpt-4o），还提供 npx skills add supermemoryai/memorybench 的 agent skill 让 coding agent 自动跑 /benchmark-context。这与 Agent 记忆方案第六节档 D 的 Agent Memory Leaderboard 互补：AML 是中心化提交制，MemoryBench 是自己机器上可复现的 head-to-head。

5.5 “装了对 coding 提升多少”——证据审查（2026-10-17 追加）

直接回答：没有任何可信公开数字能回答这个问题。 逐条审查官方 coding 相关证据：

LongMemEval 97% Recall@20：是对话记忆召回基准（“用户上次说过什么”），不是 coding 任务完成率；vendor 自测、gpt-4o judge。证明”取得准”，不证明”活干得好”。
SMFS “xAFS 110 题，Claude 3×/Codex 1.75× token 省且准确率更高”（research 页）：⚠️ 官方口径不稳定实锤——smfs.ai 研究页现版本写的是 20 个检索任务：Claude 643,668→410,797 token（−36%）、16/20→18/20 对；Codex 1,212,380→203,427（−83%）、19/20→19/20。任务数/倍数/说法两处全对不上，说明官方在替换 benchmark 叙事，旧口径不可当稳定事实引用。另外 “xAFS” 不是公开基准（GitHub 搜不到对应项目，命中全是无关的 DevExpress XAF）。
MemoryBench：只有 runner + MemScore 方法学，仓库和 docs 均无已发布结果页——“能测”≠“测过”。
独立第三方：Agent Memory Leaderboard 的 Coding Agent Memory 赛道 Cycle 1（2026-08-12）榜上无 supermemory，Cycle 2 结果 2026-11 中旬发布；HN 无成规模独立复现。
结构原因：插件的作用机制（SessionStart/UserPromptSubmit 注入 recall + Stop 捕获）决定收益集中在跨会话场景（省 re-explain、少踩重复坑）；单会话内的编码能力不变。CMB 论文侧面佐证天花板：最强基线也只 solve 36.6% 长程 coding 记忆任务（见 Agent 记忆方案 §6.6）。

合理预期：常在”同一仓库跨天/跨周继续”→ 省 re-explain 时间和重复探索（SMFS 那组 −36%/−83% 是”按需检索 vs 全量读文件”的方向性对比，幅度存疑）；任务多在一个会话内完成 → 提升接近零。最可靠的验证是自己 A/B：同类任务开/关插件各跑几轮，比 token 与一次通过率。

6. 怎么选：supermemory vs 纯文件方案

维度	supermemory	Agent 记忆方案 §6 档 A/B（brain.md / OKF / deja-vu…）
记忆形态	加密快照里的图（黑盒二进制引擎）	纯文本/Markdown，git 可 diff 可 review
谁抽取	自研学习模型（云端专有 / 本地 BYO LLM）	你自己写 or agent 显式 save，deja/Funes 只索引已有会话
跨 harness	✅ 官方插件 6 家 + 统一 repo container tag + 托管 MCP	✅ 各自实现（AGENTS.md 公约数 / MCP / 共享索引）
离线	✅（Ollama + 本地 embedding；URL/PDF 摄取除外）	✅ 多数天然离线
遗忘/矛盾	✅ 引擎自动（updates/时间过期/噪声过滤）	手动或半自动（`OUTDATED` 标记、`promote --state`）
Vendor lock-in	中——API 开放、插件开源，但引擎闭源、本地↔云数据不互迁	低
适合	想要”装上就聪明”、多端一致、不想自己管记忆生命周期	想要记忆完全可审计、可版本化、零信任第三方

落地建议（一个工作区切 Claude Code / Codex / OpenCode）：

先本地跑 npx supermemory local + Ollama（或任一已有 key），零成本验证抽取质量是否对你的项目有效——/supermemory:index 索引一次 codebase，切到 Codex 看 recall 是否命中同一 container。
三家插件都装上，靠统一 repo tag 天然共享；SUPERMEMORY_ISOLATE_WORKTREES=true 只在你想按 worktree 隔离时开。
隐私敏感内容用 <private> 包裹（Codex/OpenCode 插件会打码）；密钥过滤是 Kilo 式默认，但仍建议 capture 前自查。
若验证后不想依赖闭源引擎：退回 Agent 记忆方案 §6 组合（AGENTS.md + brain.md/OKF + deja-vu），supermemory 的插件 hook 结构（SessionStart/UserPromptSubmit/PreToolUse/Stop 四件套）本身仍是给 mini_code 做 L2 自动记忆时最好的抄写对象。

7. 本地部署实录（2026-10-16，本机 macOS arm64）

实际装出来的可用组合与文档没写的坑：

组件	最终选择	原因
server	v0.0.8 二进制（`~/.supermemory/bin/supermemory-server`）+ `WORKFLOW_ENGINE=direct`	v0.0.9 darwin-arm64 摄取流水线永远卡在 queued（rivet workflow 不派发，`WORKFLOW_ENGINE=direct` 又已移除），是上游 bug；v0.0.8 direct 引擎 ~10s 出 4 条原子记忆
数据目录	`SUPERMEMORY_DATA_DIR=$HOME/.supermemory` 显式设置	v0.0.8 默认落在 cwd，不设会把 vault 污染出 `.supermemory/`
embeddings	`Xenova/bge-m3`（1024d）替默认 `bge-base-en-v1.5`（768d，纯英文）	默认模型中文查不出英文记忆（issue #1740）；换模型必须清空重灌（维度不同）
LLM	本地 magpie 网关 `http://127.0.0.1:3425/v1`（OpenAI-compatible，占位 key）	BYO-LLM 走 `OPENAI_BASE_URL/OPENAI_API_KEY/OPENAI_MODEL`
Claude Code	官方插件 `supermemory@supermemory-plugins` v0.1.12 + `~/.claude/settings.json` 注入 `SUPERMEMORY_API_URL=http://127.0.0.1:6767`	插件只调 `POST /v3/documents`（capture）和 `POST /v4/profile`（recall），全是 v0.0.8 支持的 legacy 端点 → 完整可用
Codex	官方 `codex-supermemory`，`~/.codex/supermemory.json` 写 `apiKey`+`baseUrl`+`apiVersion:"legacy"`	同上：自定义 baseUrl 默认走 legacy 兼容路径；install 需本人跑 `npx codex-supermemory@latest install`

版本陷阱：v0.0.9 才有 v5 /ns/ API，但它的摄取是坏的；官方 apps/mcp（Cloudflare Worker）只说 v5 ⇒ 自托管 MCP 在”能用的本地后端”上不存在。凡对接本地 server，认准 v3/v4 legacy 端点的插件路线。另注意 v4/search 相似度阈值默认 ~0.55，中文↔英文跨语检索常落在 0.3–0.55，插件配置里要把 similarityThreshold 压低（本机取 0.35/0.2）。

验证方法：新开会话看 SessionStart 是否注入 <supermemory-context>；curl localhost:6767 浏览器 UI 看 Memory 标签；日志 /tmp/sm-m3.log；服务开关 smctl start|stop|status|restart|logs（~/.supermemory/smctl，已链到 PATH）。

内存治理（本机 16GB，实测）：v0.0.8 空闲时常驻 ~550MB，大头是预热的 bge-m3 ONNX 模型。smctl 已内置两个开关：SUPERMEMORY_SKIP_EMBEDDING_PREWARM=1（开机不预热）+ SUPERMEMORY_LOCAL_EMBEDDING_IDLE_TIMEOUT_MS=60000（空闲 60s 卸载模型）——实测 45s 内 539MB→51MB，冷搜索约 1s 恢复（首次 ~15s 加载）。坑：embedding 维度必须和已灌数据一致，配错报 different vector dimensions 1024 and 768；且 v0.0.8 首启会把明文 env 文件消费加密进 env.enc 并删除原件——所有配置要写死在启动脚本 export 里，别依赖 env 文件存活。harness 插件的 hook 在服务 stop 后静默跳过不报错，所以随时可以关掉省内存，用时 smctl start。

验证说明：✅ 逐字抓取过全文——supermemory 主 README（main）、supermemory.ai/docs 的 how-it-works / graph-memory / agents-and-mcp / self-hosting overview+quickstart+configuration+docker+local-vs-enterprise / supermemory-mcp/mcp / integrations（claude-code、codex、opencode、cursor）/ smfs/overview（均走 llms.txt 暴露的 .md 端点）、claude-supermemory 插件 README、apps/mcp README + wrangler.jsonc + 目录树、research 页、GitHub API 仓库元数据与目录结构（stars 31,242 / MIT / TS / pushed 2026-10-16）。未验证：97% Recall@20、95% Recall@15、99.4% 上下文缩减、SMFS 3.0×/1.75× token、~50ms profile 等全部为 vendor 自报口径，未跑 MemoryBench 复现；“lite license limit” 的具体额度文档未量化；apps/web（历史 Cloudflare 版 app）与 packages/memory-graph 仅看了目录/README，未读引擎代码（server 引擎本身闭源，无从读起）。

探索

Akiyama's blog

supermemory 调研

supermemory 调研：架构、部署与多 Harness 对接

1. 它是什么：一句话架构

2. ⚠️ 开源边界（选型前必须知道）

3. 部署：三种形态

A. 本地单二进制（Supermemory local）

B. Docker（预编译镜像，Linux amd64/arm64）

C. 云端平台（console.supermemory.ai）

自托管 vs 平台能力对照（✅ self-hosting/overview）

4. 与各 Harness 对接（重点：怎么写进 coding 工作流）

路线 1：官方插件（推荐，覆盖”一个工作区切多客户端”场景）

路线 2：MCP（任何 MCP 客户端通用，含 Claude Desktop / Windsurf / VS Code）

路线 3：SMFS —— 把记忆挂成文件系统（对 coding agent 最顺手的形态）

路线 4：SDK / REST（自己写 harness 或 mini_code 时）

路线 5：CLI / Skill（给 coding agent 做集成开发时用）

5. Benchmark 与评测基建（接 Agent Harness 评测的方法论）

5.5 “装了对 coding 提升多少”——证据审查（2026-10-17 追加）

6. 怎么选：supermemory vs 纯文件方案

7. 本地部署实录（2026-10-16，本机 macOS arm64）

反向链接

目录

探索

supermemory 调研

supermemory 调研：架构、部署与多 Harness 对接

1. 它是什么：一句话架构

2. ⚠️ 开源边界（选型前必须知道）

3. 部署：三种形态

A. 本地单二进制（Supermemory local）

B. Docker（预编译镜像，Linux amd64/arm64）

C. 云端平台（console.supermemory.ai）

自托管 vs 平台能力对照（✅ self-hosting/overview）

4. 与各 Harness 对接（重点：怎么写进 coding 工作流）

路线 1：官方插件（推荐，覆盖”一个工作区切多客户端”场景）

路线 2：MCP（任何 MCP 客户端通用，含 Claude Desktop / Windsurf / VS Code）

路线 3：SMFS —— 把记忆挂成文件系统（对 coding agent 最顺手的形态）

路线 4：SDK / REST（自己写 harness 或 mini_code 时）

路线 5：CLI / Skill（给 coding agent 做集成开发时用）

5. Benchmark 与评测基建（接 Agent Harness 评测 的方法论）

5.5 “装了对 coding 提升多少”——证据审查（2026-10-17 追加）

6. 怎么选：supermemory vs 纯文件方案

7. 本地部署实录（2026-10-16，本机 macOS arm64）

反向链接

目录

5. Benchmark 与评测基建（接 Agent Harness 评测的方法论）